LF-YOLO: A Lighter and Faster YOLO for Weld Defect Detection of X-Ray Image

特征(语言学) 编码(集合论) 计算机科学 卷积(计算机科学) 人工智能 特征提取 模式识别(心理学) 图像(数学) 焊接 卷积神经网络 人工神经网络 计算机视觉 工程类 机械工程 哲学 集合(抽象数据类型) 程序设计语言 语言学
作者
Moyun Liu,Youping Chen,Jingming Xie,Lei He,Yang Zhang
出处
期刊:IEEE Sensors Journal [Institute of Electrical and Electronics Engineers]
卷期号:23 (7): 7430-7439 被引量:38
标识
DOI:10.1109/jsen.2023.3247006
摘要

X-ray image plays an important role in manufacturing industry for quality assurance, because it can reflect the internal condition of weld region. However, the shape and scale of different defect types vary greatly, which makes it challenging for model to detect weld defects. In this article, we propose a weld defect detection method based on convolution neural network (CNN), namely, lighter and faster YOLO (LF-YOLO). In particular, a reinforced multiscale feature (RMF) module is designed to implement both parameter-based and parameter-free multiscale information extracting operations. RMF enables the extracted feature map to represent more plentiful information, which is achieved by a superior hierarchical fusion structure. To improve the performance of detection network, we propose an efficient feature extraction (EFE) module. EFE processes input data with extremely low consumption and improves the practicability of whole network in actual industry. Experimental results show that our weld defect detection network achieves satisfactory balance between performance and consumption and reaches 92.9 mean average precision (mAP50) with 61.5 frames/s. To further prove the ability of our method, we test it on the public dataset MS COCO, and the results show that our LF-YOLO has an outstanding versatility detection performance. The code is available at https://github.com/lmomoy/LF-YOLO .
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
酷酷念波发布了新的文献求助10
刚刚
刚刚
思源应助马里奥采纳,获得10
1秒前
咖啡不加糖完成签到,获得积分10
1秒前
骄傲的硬币关注了科研通微信公众号
2秒前
2秒前
贪玩访文发布了新的文献求助10
2秒前
正派小面包完成签到,获得积分10
2秒前
3秒前
二零发布了新的文献求助10
4秒前
6秒前
科研通AI2S应助散作满天星采纳,获得10
7秒前
8秒前
贪玩访文完成签到,获得积分10
9秒前
9秒前
hal9000发布了新的文献求助10
10秒前
10秒前
JamesPei应助二零采纳,获得10
11秒前
大个应助迷路的小牛马采纳,获得10
11秒前
杏林靴子发布了新的文献求助10
12秒前
科研通AI2S应助大牛牛采纳,获得50
13秒前
weiwei完成签到,获得积分20
14秒前
huhu完成签到,获得积分10
14秒前
14秒前
香蕉觅云应助小陈采纳,获得10
14秒前
14秒前
14秒前
dsaifjs发布了新的文献求助10
15秒前
挡住所有坏运气888完成签到,获得积分10
15秒前
16秒前
单薄静枫完成签到,获得积分10
18秒前
19秒前
勤恳的苑博完成签到 ,获得积分20
19秒前
edenz发布了新的文献求助10
20秒前
20秒前
20秒前
20秒前
20秒前
陈易发布了新的文献求助10
21秒前
受伤惋庭完成签到,获得积分20
21秒前
高分求助中
Evolution 3rd edition 1500
保险藏宝图 1000
Lire en communiste 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 700
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 700
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3183027
求助须知:如何正确求助?哪些是违规求助? 2833179
关于积分的说明 7992988
捐赠科研通 2495363
什么是DOI,文献DOI怎么找? 1331472
科研通“疑难数据库(出版商)”最低求助积分说明 636293
邀请新用户注册赠送积分活动 603474